Ecologia

Numérica

2018/2019

PRELIMINARES

Tiago A. Marques

tamarques@ciencias.ulisboa.pt
 Ecologia Numérica: Horário

1.5 + 1.5 horas teóricas e 2 horas teórico-práticas por semana

Atendimento
 Ecologia Numérica

– Horário de atendimento: quartas, das 10:30 às 12:30, sala 2.3.11A

(enviar mail para tamarques@ciencias.ulisboa.pt para agendar)
 Ecologia Numérica

– Avaliação: 50% exame teórico + 50% exame teórico-prático com

recurso a computador e software

Datas:

1a Época 2a Época Época Especial

Teórico 22 Jan 2019 – 16:30-19:30 08 Fev 2019 – 16:30-19:30 22 Jul 2019 – 14:30-16:30

Teórico-Prático 22 Jan 2019 – 8:00-16:00 08 Fev 2019 – 9:00-15:00 22 Jul 2019 – 11:30-13:30

Para ser possível a aprovação da disciplina, os alunos terão que garantir presença em pelo
menos 10 das aulas teórico-práticas, não sendo exigida presença obrigatória nas aulas
teóricas.
 Ecologia Numérica:
Programa
– Introdução à Ecologia Numérica. O método científico. Tipos de estudos e de
dados em ecologia.
– Revisões sobre probabilidades.
– Amostragem e delineamento experimental.
– Análise exploratória de dados.
– Testes de hipóteses.
– Testes de 1 e 2 amostras.
– Análise de variância simples e testes equivalentes não-paramétricos.
– Análise de variância multifactorial e com designs complexos.
– Regressão linear e correlação.
– Regressão não linear e modelos lineares generalizados.
Ecologia Numérica:
Programa
– Análise de dados de frequências. Tabelas de contingência.
– Introdução à análise multivariada.
– Classificação hierárquica e não hierárquica.
– Análise discriminante.
– Análise de componentes principais.
– Análise de correspondências e análise canónica de
correspondências.
– Escalamento multidimensional.
– Critérios para a selecção de técnicas analíticas. Apresentação de
resultados de análises estatísticas.
 Ecologia Numérica: Material
de apoio às aulas

Fénix Material para

cada aula teórica

Material para
cada aula prática

e.g. como
comunicar por e-
mail, bibliografia,
etc.

Outros recursos
interessantes
 Bibliografia

• Borcard et al. 2011. Numerical Ecology with R. Springer

• Gotelli, N. & A. M. Ellison. 2004. A primer of ecological

statistics. Sinauer Associates.

• Greenacre, M. & R. Primicerio. 2013. Multivariate analysis of

ecological data. Fundácion BBVA.

• Krebs, C. J. 1989. Ecological methodology. Harper-Collins

Publishers.

• Bolker, B. 2007. Ecological Models and Data in R, rinceton

University Press
 Bibliografia
• Legendre, L. & P. Legendre. 1998. Numerical ecology. Elsevier.
• Leps, J. & P. Smilauer. 2003. Multivariate Analysis of Ecological Data Using
Canoco. Cambridge University Press.
• Manly, B. 1986. Multivariate statistical methods: a primer. Chapman & Hall.
• Murteira, B. 1993. Análise exploratória de dados. Estatística descritiva.
McGraw-Hill.
• Pielou, E. C. 1984. Interpretation of ecological data: a primer on classification
and ordination. John Wiley & Sons.
• Quinn, G. P. & M. J. Keough. 2002. Experimental design and data analysis for
biologists. Cambridge University Press.
• Conover, W. J.1980. Practical non-parametric statistics. 2nd edition. John Wiley
& Sons
• Everitt, B. S. & G. Dunn. 2001. Applied Multivariate Data Analysis. Arnold
Publication.
• Gauch, H. G. 1982. Multivariate analysis in community ecology. Cambridge
University Press.
• Hair, J.; R. Anderson, R. Tatham & W. Black. 1995. Multivariate data analysis
with readings. Prentice-Hall.
Bibliografia
Bibliografia
 Ecologia Numérica:
Comunicação por e-mail
tamarques@ciencias.ulisboa.pt

– Formatação do assunto do e-mail (sempre): EN-número de aluno-tópico-detalhes

– Existirão tópicos específicos (e depois claro tópicos livres!):
– Marcar um atendimento: EN-19549-atendimento-25 09 2018
– Esclarecer uma duvida: EN-19549-duvida-teste de t
– Enviar ficheiro de dados: EN-19549-dados-TiaMar19549.xlsx
– Corrigir gralha nos slides: EN-19549-gralha-aula de ** ** **** Slide **
– Qualquer outro tópico a definir “EN-19549-sejaoqueforqueeudefina-blablabla”
– Ou outro qualquer “EN-19549-outro-comentário sobre aula de ontem”
– Teste: cada um dos presentes vai-me mandar um mail teste
– Assunto “EN-?????-teste1-whatever”.
– No mail teste gostaria que me dessem qualquer informação que achem que me possa ser útil para a
cadeira de EN, e.g.
– dados ou problemas que gostariam de ver usados como exemplos,
– dificuldades que possam ter com a matemática/estatística,
– etc.
 Ecologia Numérica

Objectivo principal:
pensar sobre números num contexto ecológico
 Quem sou eu?

– Biologia FCUL 1998 (fiz Ecologia Numérica em 1995/1996!)

– Mestrado, Probabilidade e Estatística, FCUL, 2001
– Doutoramento, Estatística, 2007, University of St Andrews (UStA)
– Senior Research Fellow como Ecological Statistician, UStA
– Investigador Integrado:
– Centro de Estatística e Aplicações (CEAUL), FCUL
– Center for Research into Ecological and Environmental Modelling (CREEM), UStA
– (até 03/09/2018) Professor auxiliar convidado no DEIO
– (desde 03/09/2018) Professor auxiliar convidado no DBA*
* a substituir o Prof. Henrique Cabral.
Nota importante: O crédito do material de EN é quase todo do Henrique. A responsabilidade dos erros é naturalmente minha.
 Quem sou eu?
“Contar bichos!”

– Interesses científicos:

– Amostragem de populações naturais.

– Estimação da abundância de populações naturais, em particular com
base em dados de acústica passiva.
– Efeito de erros na medição das distâncias e distribuições não uniformes
da densidade em amostragem por distâncias.
– Estatística ecológica
– Divulgação do uso da estatística aplicada à biologia
 https://quotesurf.com/great-teachers-quotes

Todas as duvidas são válidas, não há perguntas estúpidas. No que eu vos puder ajudar,
sobre a Ecologia Numérica, a utilização da estatística em biologia ou o futuro, estou à
disposição. Espero que aprendam comigo, e conto aprender convosco.
 Ecologia Numérica
(e outras coisas que são importantes
como desmistificar chavões)
Inteligência
Artificial Estatistica
Bayesiana
Estimação de
Abundância Animal
Reproducible
Ecologia Research
Numérica
Big Data
Relatórios
Dinâmicos
Redes
Neuronais Machine
Learning
 Quem são vocês?

*como fazer esta tag cloud? Por exemplo através de um relatório dinâmico…
 Contagem de mãos

1. Quem não sabe o que é uma variável aleatória?

2. Quem não sabe o que é um replicado?
3. Quem não sabe o que é um teste estatístico?
4. Quem não sabe o que é um valor P (P-value)?
5. Quem nunca trabalhou no R?
6. Quem não sabe o que é um relatório dinâmico ou reproducible research?
7. Quem não gostou de Bioestatística? (E porquê?)
8. Quem não tem medo de matemática?

* Quem responder afirmativamente arrisca-se a que eu lhe pergunte para explicar à turma!
 O que quero que saibam (ou
gostaria que soubessem!) fazer
no final deste curso

– Compreender números e saber interpretá-los num contexto ecológico

– Saber como planear a recolha de dados para responder a uma questão ecológica
– Saber como analisar os dados resultantes
– Ter uma noção básica das principais técnicas de análise de dados ecológicos
– Saber o que não sabem e quando pedir ajuda para analisar um conjunto de dados
– Identificar potenciais problemas em ecologia relacionados com a análise de dados
– Ter sensibilidade e bom senso!!!
Ecologia Numérica - Aula Teórica 1 – 17-09-2018

https://www.azquotes.com/quote/603405
 Ecologia Numérica

Origem do termo: Ecologie Numérique (Legendre & Legendre, 1979)

Ecologia – é o ramo da biologia que lida com as relações entre os

organismos e com as relações destes com o meio que os rodeia.

É sequer possível pensar em ecologia sem pensar em números? Sem

pensar na necessidade de medir ou quantificar?
Uma brincadeira que fiz em 2011…
 Modelos, modelos…

Para descrever relações entre organismos, ou entre estes e o seu

meio ambiente vamos precisar de modelos.
All models are wrong, but some models are useful – George P. Box
Desde o inicio temos um problema de dimensionalidade: os
padrões que observarmos são devidos à influencia de outras
espécies, de factores ambientais (ou de uma combinação
complexa de ambos).
A realidade não é univariada, não é multivariada, é na realidade
hipervariada.
Valente, A. M.; Marques, T. A.; Fonseca, C. & Torres, R. T. 2016 A new insight for monitoring ungulates: density surface modelling of roe
deer in a Mediterranean habitat European Journal of Wildlife Management 62: 577-587
 Diferenças estatísticas e
biológicas

Aumentando o tamanho da amostra até ao infinito, qualquer diferença se

torna estatisticamente significativa…
Mas e então, o que quer isso dizer?

Há perguntas que não fazem grande sentido!

– As árvores da Floresta A são diferentes das da Floresta B? SÃO!
– Os peixes do rio C são diferentes dos do rio D? SÃO!
– A terra é redonda? NÃO!
É apenas o tamanho do efeito encontrado, o tamanho da diferença observada, que deve
(e que pode!!!) ser interpretado!
Cohen, J. 1994. The earth is round (P<0.05). American Psychologist 49: 997-1003
Significância: estatística vs.
biológica

– Toda e qualquer diferença se torna estatisticamente

significativa desde que aumentemos suficientemente o
tamanho da amostra
– Como tal, todas as diferenças serão no limite significativas
– Como podemos então interpretar uma diferença
estatisticamente significativa?
– Qual a magnitude do efeito observado?
– Será biologicamente relevante que em media a espécie A
produza 1.32 ovos e a espécie B 1.34 ovos, mesmo que isso
seja estatisticamente significativo?
 Significância: estatística vs.
biológica

– Hipótese nula: media é 0

– Com tamanho baixo da amostra,
não é fácil rejeitar
– Com amostra grande, é
relativamente fácil
– (na realidade, a verdadeira média
era 0.3!)
– À medida que o tamanho da
amostra aumenta, conseguimos
detectar a (verdadeira) diferença
– Mas será biologicamente
relevante? É isso que faz com que
seja sempre preciso um biólogo, o
estatístico não sabe fazer isso!
Fazer inferências sobre a
realidade

– Mas o que é a realidade?

 8 O C T O B E R 2 0 1 5 | VO L 5 2 6 | N AT U R E | 1 9 1

fonte

– Twenty-nine teams involving 61 analysts used the same

data set to address the same research question: whether
soccer referees are more likely to give red cards to dark-
skin-toned players than to light-skin-toned players.
– Analytic approaches varied widely across the teams
– Twenty teams (69%) found a statistically significant positive
effect, and 9 teams (31%) did not observe a significant
relationship.

Silberzahn et al. (2018). Many Analysts, One Data Set: Making Transparent How Variations in Analytic Choices Affect Results. Advances in
Methods and Practices in Psychological Science. DOI: https://doi.org/10.1177/2515245917747646
 What is reality…?

– A single response (acorn count), three designed effects (species,

site, and year) and 7 environmental variables
– ‘‘explain the variation in the response variable (acorn count)
using the predictors available’’
– responses from a skilled average self-reported statistical
expertise of 6.7 on scale of 1 [low] to 10 [high]) diverse group of
24 ecologists
– no two final models included exactly the same set of predictors
– not a single predictor was included in every final model

Stanton-Geddes et al. 2014. In defense of P values: comment on the statistical methods actually used by ecologists. Ecology 95: 637--642
 O acaso e a probabilidade

Se observer um pássaro ao acaso, qual é a probabilidade de não ver amarelo?

Como avaliar se algo que
observamos pode ser mais do
que fruto do acaso?
– Primeiro há que definir o que entendemos por acaso
– Qual a hipótese nula que assumimos?
– As árvores do local A são iguais em tamanho às do local B
– A temperatura não influencia o crescimento dos animais
– A minha moeda não está viciada
– Depois recolhemos dados que contenham informação
relevante sobre a hipótese formulada
– Por fim rejeitamos, ou não, a hipótese colocada
Se eu lançar uma moeda e tirar
8 coroas seguidas, a minha
moeda é viciada?
 Exercício: lançar uma moeda ao
ar 8 vezes, e contar o número de
caras
– O número de caras é uma “variável aleatória” (cada pessoa obtém
um número, desconhecido à partida, mas sabemos sem duvida
quais são os números possíveis de observar)
– Podemos comparar com o número de caras obtido com o que seria
de esperar, e tirar conclusões
– Cada pessoa obtém um resultado
– Mas a realidade é só uma: as moedas não são viciadas (espero eu!)
 Testes, decisões e erros

Decisão
Moeda normal Moeda viciada
Moeda normal Decisão certa Erro I
Realidade
Moeda Viciada Erro II Decisão certa

Na realidade a questão sobre qual é pior, um erro

de tipo I ou II, é puramente filosófica, as opiniões
podem divergir, e só pode ser avaliada caso a
caso.

Em estatística, considera-se o I pior que o II.

 Natureza e filtros

amostragem
observação

Inferência
 Natureza e filtros

amostragem
observação

Inferência